AI 语音与音频的进展：语音合成、实时对话、音乐生成与音频理解的模型与产品。
Google 发布 Gemini 3.8 Live with Live Avatar，将低延迟流式视频与实时对话能力结合，为对话模型带来近实时的视觉形象。该功能支持精确唇形同步、自然表情与流畅轮次切换，并可在对话中异步调用工具、在后台获取数据。它支持 97 种语言的原生语音到语音同步，输出均带 SynthID 水印，现已在 Gemini Enterprise 提供，自定义形象仅限企业白名单申请。
推荐理由：Gemini 3.8 Live 新增实时视频形象能力，读者可了解多模态对话在企业场景中的落地形态与开放范围。
Google 发布 Gemini 3.8 Flash TTS 和 Gemini 3.8 Flash-Lite TTS 两款文本转语音模型，前者面向角色设计与深度创作控制，后者面向高并发、低成本的配音与语音智能体场景。
推荐理由：两款 TTS 模型把语音生成从固定音色扩展到自然语言定制与逐句导演，并给出基准排名和开放入口。
Meta 推出 Muse Realtime Avatar，将 Muse Realtime Voice 的语音 token 流转化为可实时对话的虚拟形象，支持面部、手部和全身动作。
推荐理由：Meta 公开了实时数字人系统的蒸馏与推理栈细节，读者可据此了解实时视频生成如何做到亚秒级延迟。
Google 发布 Gemini 3.8 Live 和 Gemini 3.8 Live Extended Thinking 两款实时语音对话模型，前者面向规模化与成本效率，后者面向高复杂度任务和多步推理。
推荐理由：Google 发布两款实时语音对话模型，给出语音智能体基准成绩与开发者接入渠道，可据此判断语音 Agent 的可用性。
Meta Superintelligence Labs 发布 Muse Voice Transcribe，这是其首款实时音频感知模型，支持流式 ASR、20 人以上说话人分离和端点检测。模型原生支持任意中英混说，训练覆盖 70 多种语言，其中 25 种经过充分验证，并支持超过一小时的长音频输入。官方称其在 Artificial Analysis 流式语音转文字和公开说话人分离基准上排名第一。
推荐理由：Meta 公布实时语音感知模型的技术细节与基准排名，读者可了解流式 ASR 与说话人分离的实现路径。